【PYTHON实践案例】用户分层与精细化运营

发表于： 2025年10月12日 2025年10月12日
标签：电商运营数据分析实践

访问量： 3763

文章目录

培训内容

业务痛点： “平台上有几十万用户，我应该对谁好一点？是给所有人群发一样的优惠券，还是区别对待？如何找到我最重要的‘金主’？”
核心概念：
- 用户分层 (Segmentation): 将特征相似的用户划分为一个群组，以便实施差异化的运营策略。
- RFM模型： 一个经典、强大的用户价值分层模型。
  - R (Recency): 最近一次消费时间。R值越小，用户越活跃。
  - F (Frequency): 一段时间内的消费次数。F值越大，用户忠诚度越高。
  - M (Monetary): 一段时间内的消费总额。M值越大，用户价值越高。
分析思路：
1. 计算RFM值： 基于用户的订单数据，计算出每个用户的R、F、M值。
2. RFM打分： 将每个指标的值进行排序或分箱（如用qcut分为4等份），然后给予1-4分。
3. 用户分类： 将RFM得分与业务定义的平均值比较，或直接根据得分组合，将用户分为重要价值用户、重要保持用户、重要发展用户、重要挽留用户等8类。
4. 制定策略： 对不同价值的用户，采取不同的运营策略。例如，对重要价值用户提供VIP服务，对重要挽留用户（F/M高，但R很高）进行定向激活。

实践案例：使用RFM模型对用户进行价值分层

python复制

import pandas as pd
from datetime import datetime

# --- 1. 数据准备 ---
# 模拟一份用户订单数据
order_data = {
    'user_id': [1, 2, 1, 3, 2, 1, 4, 5, 2, 3, 1, 5, 4, 3, 6, 6, 7],
    'order_date': [
        '2023-10-01', '2023-10-02', '2023-11-01', '2023-08-15', '2023-10-15',
        '2023-11-20', '2023-11-25', '2023-09-10', '2023-11-18', '2023-08-20',
        '2023-11-28', '2023-09-12', '2023-11-26', '2023-11-10', '2023-03-01',
        '2023-03-05', '2023-11-29'
    ],
    'amount': [100, 200, 150, 50, 250, 120, 300, 80, 220, 60, 180, 90, 320, 70, 500, 600, 50]
}
rfm_df = pd.DataFrame(order_data)
rfm_df['order_date'] = pd.to_datetime(rfm_df['order_date'])

# --- 2. 计算RFM指标 ---
# 假设我们分析的时间点是2023-12-01
snapshot_date = datetime(2023, 12, 1)

# 计算R, F, M
rfm_analysis = rfm_df.groupby('user_id').agg(
    Recency=('order_date', lambda date: (snapshot_date - date.max()).days),
    Frequency=('order_date', 'count'),
    Monetary=('amount', 'sum')
).reset_index()

print("--- 原始RFM值 ---")
print(rfm_analysis)

# --- 3. RFM打分 ---
# 使用qcut进行等频分箱，注意R值越小越好，所以标签要反过来

# R: 越小越好，低于中位数得高分
r_median = rfm_analysis['Recency'].median()
rfm_analysis['R_score'] = rfm_analysis['Recency'].apply(lambda x: 4 if x <= r_median/2 
                                                      else (3 if x <= r_median 
                                                            else (2 if x <= r_median*1.5 else 1)))

# F: 频率越高越好
f_median = rfm_analysis['Frequency'].median()
rfm_analysis['F_score'] = rfm_analysis['Frequency'].apply(lambda x: 4 if x > f_median*1.5 
                                                          else (3 if x > f_median 
                                                                else (2 if x > f_median/2 else 1)))

# M: 金额越高越好
m_median = rfm_analysis['Monetary'].median()
rfm_analysis['M_score'] = rfm_analysis['Monetary'].apply(lambda x: 4 if x > m_median*1.5 
                                                         else (3 if x > m_median 
                                                               else (2 if x > m_median/2 else 1)))

# 强制转为 int
rfm_analysis['R_score'] = rfm_analysis['R_score'].astype(int)
rfm_analysis['F_score'] = rfm_analysis['F_score'].astype(int)
rfm_analysis['M_score'] = rfm_analysis['M_score'].astype(int)

# --- 4. 用户分类 ---
# 定义比较基准（这里用平均分）
r_avg = rfm_analysis['R_score'].astype(float).mean()
f_avg = rfm_analysis['F_score'].astype(float).mean()
m_avg = rfm_analysis['M_score'].astype(float).mean()

def classify_user(row):
    if row['R_score'] > r_avg and row['F_score'] > f_avg and row['M_score'] > m_avg:
        return '重要价值用户'
    if row['R_score'] > r_avg and row['F_score'] < f_avg and row['M_score'] > m_avg:
        return '重要发展用户'
    if row['R_score'] < r_avg and row['F_score'] > f_avg and row['M_score'] > m_avg:
        return '重要保持用户'
    if row['R_score'] < r_avg and row['F_score'] < f_avg and row['M_score'] > m_avg:
        return '重要挽留用户'
    if row['R_score'] > r_avg and row['F_score'] > f_avg and row['M_score'] < m_avg:
        return '一般价值用户'
    if row['R_score'] < r_avg:
        return '流失/低价值用户'
    return '一般用户'

rfm_analysis['User_Class'] = rfm_analysis.apply(classify_user, axis=1)

print("\n--- RFM用户分层结果 ---")
print(rfm_analysis[['user_id', 'Recency', 'Frequency', 'Monetary', 'User_Class']].sort_values(by='Monetary', ascending=False))

# --- 5. 业务结论 ---
print("\n--- 分析结论与策略建议 ---")
print("1. **重要价值用户 (user_id: 1, 2)**: 他们是我们的核心用户，消费近期、频率高、金额大。策略：提供VIP客服、新品优先体验、生日礼包等，维持高忠诚度。")
print("2. **重要保持用户 (user_id: 4)**: 消费频率和金额高，但最近没来。策略：主动关怀，通过Push/短信提醒他们“我们想你了”，并附上专属优惠券，刺激其回归。")
print("3. **重要发展用户 (user_id: 7)**: 最近来了，金额也高，但频次不够。策略：通过促销活动、积分兑换等方式，鼓励他们更频繁地消费。")
print("4. **流失/低价值用户 (user_id: 6)**: 很久没来，消费金额也高。这是最需要紧急挽留的群体！策略：进行电话回访，了解流失原因，并提供大额回归礼包。")

viplao

487